微軟納德拉坦言對齊無法靠「規模化」自動達成，推動零信任防護與「授權權重」MAI 模型
專訪 20VC 的 Harry Stebbings，發表於 2026 年 10 月 26 日
對齊觀點的轉變，以及建立在其上的資安防線
在薩提亞·納德拉（Satya Nadella）與 Harry Stebbings 的對談中，最具影響力的透露莫過於他坦承自己對規模化論題背後核心假設的看法已經改變。納德拉表示，他曾是規模化定律（scaling laws）的早期信仰者，時間可追溯至 2018 年與 2019 年，當時「Dario、Ilya、Sam、Greg 和 Elon 大家都還是一家人」。但他現在的修正看法是：「我過去總認為對齊會自然而然出現。我現在不再這麼認為了。」他形容規模化定律依然在發揮作用，模型能力也日漸強大，但對齊似乎並不會從規模中浮現，且對模型的機械式理解「也同樣難以捉摸」。
納德拉主張，對齊必須內建於訓練過程中（甚至可能是預訓練階段），無法在事後才加上去。「我不認為你能透過 RL（強化學習）一路摸索到對齊。你必須讓對齊真正成為在最初訓練時就深深嵌入權重中的東西。」身為一家在領先閉源模型開發商中持有重大利益的企業執行長，這番話觀點鮮明，暗示各大實驗室事後的安全性工作可能遠遠不足。
他的實際因應之道，是將 AI 安全性（safety）與資安（security）區隔開來。微軟的立場是客戶應該「假設模型已被入侵」——這是他在訪談大約 10 天前發表的一篇文章中所闡述的論點——並應該在工程化的零信任環境中管控代理程式。他指出微軟的兩項產品 Agent 365 與 Perception，能為每個代理程式賦予身分並記錄其活動，包括工具呼叫、每次模型呼叫以及思維鏈（chain of thought）。這些日誌必須是防竄改的，好讓代理程式無法修改自己的記錄。接著在上方制定政策，並針對政策監控代理程式的行為，同時使用多個模型來檢查輸出。納德拉反駁了「未解的安全問題意味著資安方面無能為力」的說法：「人們把用於圍堵的工程化資安零信任架構系統，與 AI 安全性混為一談了。」他的立場是「正視現狀」，並在制定政策與監控偏差時採取「超積極」的態度。
思維鏈的不透明性，對閉源模型供應商形成壓力
納德拉直言不諱地談到思維鏈監控的可靠性，而這正是他所描述的架構的基石。當被問及這有多可靠時，他說：「一點也不可靠。」思維鏈可能是不忠實的，而他表示當模型公司承認這一點並以「將其隱藏」作為回應時，問題會變得更加嚴重。他希望推理軌跡能以英文呈現，而不是晦澀難懂的內部語言，並希望這些軌跡能按原樣提供給可信賴的夥伴，以便進行檢查與稽核。
他將此定位為對閉源模型供應商的商業警告，也可能是開源權重的一股助推力：「閉源權重模型功能更強大，但如果它們不承認需要提高透明度，尤其是當受信賴的夥伴使用它們時，我們可能就會遇到麻煩。」納德拉未點名特定的供應商，但對微軟自身的夥伴而言，這訊息不言而喻。
將 MAI 視為「授權權重」與軟體業務，而非網路效應業務
談到微軟自家的模型時，納德拉清晰描述了其預期的商業模式。MAI 模型不會採取開源權重，但他更願意稱之為「授權權重（licensed weights）」。他說：「我想把這變成一項簡單直接的軟體業務，而不是網路效應的智慧業務。」模型對客戶的價值將取決於他們使用和控制模型的能力，這符合他關於企業應保留自身智慧的更廣泛論點。
他也舉了一個客戶案例。聯合利華（Unilever）已經建構了一個代理式系統，用以自動化訂單到現金（order-to-cash）以及貿易理賠（trade claims）流程。該系統最初建立在前端模型上，此後已將貿易理賠的工作負載轉移到 MAI 模型上。納德拉表示，該模型成本更低，且由於聯合利華能夠基於自身的追蹤資料進行訓練，因此掌握了控制權。微軟在初期派駐了前端工程師，但聯合利華的 IT 團隊現在已能自行管理該系統。
開源與閉源：商品化 tokens 佔主導地位，但前端模型仍將存在
當被要求預測未來 24 個月的流量時，納德拉拒絕給出具體百分比，並表示這取決於前端模型（frontier）的定位。他的觀點是，特定問題的能力會達到飽和，此時開源權重或更便宜的閉源模型就已足夠，特別是當企業能夠使用自己的追蹤資料進行訓練時。「如果問題沒有改變，」他說，那就沒有必要使用最新的模型。他預期前端模型將擁有持久的市場，科學可能是下一個設定前端領域的領域，但他也表示「絕大多數的 token 使用將會是商品化的 token 使用。」
他並未將商品化等同於開源。這可能是開源權重，也可能是「便宜的閉源權重」，他說因為「將會有大量的價格競爭」。他指出，微軟自身的 Copilot 使用情境融合了較便宜的閉源模型與開源權重模型。他也特別提及 GitHub 上的「Hydra fusion」專案（一個經過學習的模型），這是轉向代理群體（agent swarms）的一環，在此架構中會平行呼叫許多子代理程式，其中有些甚至是本地模型。
在地緣政治方面，Stebbings 指出大多數開源權重模型都來自中國。納德拉的回應是，未對齊的模型對包括中國在內的每個國家都是一種風險，且他對西方開源權重工作的進展感到滿意，並特別點名了輝達（Nvidia）的黃仁勳。
「逆資訊悖論」與作為企業智慧財產（IP）的私有評估基準
納德拉最具前瞻性的想法涉及企業的未來。他借鑒海耶克（Hayek）關於隱性知識分佈在整個經濟體中的觀點，主張不可能存在單一企業或單一智慧。接著，他顛覆了肯尼斯·亞 Arrow（Kenneth Arrow）的資訊悖論。傳統上，賣方透過揭露祕密承擔洩露價值的風險。現在他說，暴露風險的反而是買方，因為甚至是使用模型的廢氣（exhaust），例如按讚與按踩的訊號，都在為模型公司創造價值，而不是為客戶創造價值。「為了讓這種模式保持穩定，使用智慧所創造的剩餘價值中，必須有更多留在企業內部。」
這種價值的保留不一定只能透過權重來實現，也可以透過上下文（context）或評估基準（evals）來達成。納德拉表示，他「非常熱衷」於讓每家企業都擁有一個私有評估基準（private eval benchmark）作為其核心 IP，而模型則進駐該基準進行「爬山演算法（hill climb）」式的優化。他說，一家企業最終可能會被定義為「一個 AI 基準」，並指出這在今天看起來很怪異，但在五年內將會被普遍接受。Stebbings 指出，目前這僅適用於少數幾家精英公司，如 Harvey 和 Legora。納德拉將其與 1980 年代末期的 PC 預測以及早期雲端採用進行對比：他預期「AI 原生（AI native）」在五年內就會過時，並指出甚至有 500 年歷史的勞埃德（Lloyd's）現在也已經是雲端原生了。
實施經濟學與產業結構
納德拉表示，AI 的服務層是一種全新的混合體，既不是傳統的管理顧問、系統整合，也不是技術支援。它始於商業問題、評估基準與代理式架構，他預期傳統的系統整合商將會演進至這種模式。
關於產業是否會整併為全端（full-stack）玩家，他表示現實證據正朝著相反方向發展。他曾一度認為可能會出現一個從矽晶片到應用程式的垂直整合堆疊，但「每天醒來，你都會說，哇，堆疊中的每一層都有更多競爭。」他說，他期盼看到「橫向專業化，每一層都有多個贏家」，並且能夠跨層組合，包括將任務發送給最佳模型的路由器。他補充了一個但書，即主導設計（dominant designs）仍然有可能改變整體格局。
算力、電力與 GDP 問題
對於穆斯塔法·蘇萊曼（Mustafa Suleyman）關於千億美元訓練規模即將到來的說法，納德拉將這個問題重新定義為研發（R&D）預算與宏觀成長的問題。一場訓練僅僅是「研發的一小部分」，對於研發密集型企業而言，這大約佔營收的 15% 到 20%，因此其承受能力取決於營收，而營收則取決於 AI 是否能擴大世界經濟。他承認電力與矽晶片短缺，並指出這些都是前置期很長的項目，至於供需何時能達到平衡則是「沒有人知道」，並補充說任何人的猜測都只是猜測。對他而言，更大的變數是全球 GDP 成長，長期以來該數據一直徘徊在 2% 左右。
他表示，他期盼且相信 AI 能夠提升 GDP，其中醫療保健與軟體將是最早的領域之一。他以微軟 Copilot 在英國國民保健署（NHS）的部署為例，證明更好的成果與更低的成本按定義就提升了 GDP。他說，軟體開發的需求已被證明具有高度彈性，這意味著「IT 的積壓工作非常龐大，我們甚至沒有人意識到這一點。」晶片設計（具備更快的下線流片與晶片內模擬），以及勞斯萊斯（Rolls-Royce）的維護排程等工程任務，都是最佳化正在帶來回報的其他範例。
關於程式碼編寫所取得的收益是否會轉移到金融、銷售和行銷領域，納德拉態度較為保守。程式碼編寫受益於在預訓練模型之上的清晰獎勵訊號進行的 RL，「我們能否在知識工作中破解這一點似乎難得多」，儘管他表示客服中心、供應鏈和現金到訂單（cash-to-order）等領域正顯示出這是可能的。他暗示科學與工程領域可能會證明與程式碼編寫一樣具有彈性。
這次訪談未包含財務預測或新產品上市日期，且有幾個回答（特別是關於電力與流量組合的回答）顯然帶有揣測性質。其核心實質在於策略架構：一位微軟執行長如今懷疑規模化能否解決對齊問題，希望閉源模型夥伴提供更高的透明度，並將 MAI 定位為可控的授權權重產品。